Wissenschaftliche und BW-Gutachten

Wir wurden zur Bemessung eines potentiellen Schadenersatzes aus möglicherweise falschen Versprechungen bezüglich einer Geschäftsidee beauftragt. Der möglicherweise Geschädigte hatte im Vertrauen auf Informationen zu einem Geschäftsmodell einen größeren Betrag investiert. Es stellte sich jedoch heraus, dass die Angaben zum Geschäftsmodell nicht zutreffend waren, weshalb ein Teilverlust der Investitionssumme resultierte. Die Frage war nun: Welchen geschäftlichen Erfolg hätte der Geschädigte denn eigentlich erwarten dürfen, wenn die Versprechungen wahr gewesen wären?

Im Kern solcher Analysen steht regelmäßig die Simulation eines sogenannten kontrafaktischen Zustands („Counterfactual“), d.h. die Unterstellung einer ganzheitlich alternativen historischen Entwicklung gemäß dem Fall, dass die Versprechungen sachgerecht gewesen wären. Eine eindimensionale Fokussierung („was wären denn im Rahmen des beobachtbaren Umfelds die Auswirkungen gewesen?“) reicht hier nicht aus, vielmehr muss auch immer auf die möglichen Interaktionen der zentralen Variable auf das Umfeld geachtet werden. Im konkreten Fall hätte nach unseren Analysen das Geschäftsmodell im erfolgreichen Zustand Auswirkungen auf das lokale Preisniveau, auf das Angebot an Arbeitskraft in der Region (und somit auf das Gehaltslevel) und auf die Wettbewerbssituation gehabt. Wir haben daher – soweit wie möglich datenbasiert und mit quantitativen Tools – ein komplexes ökonomisches System simuliert und die Bewertung des Erfolgs des Geschäftsmodells, die zur Ermittlung eines potentiellen Schadens notwendig war, integrativ vollzogen.

Regulatorische Anlässe
Fall: Ermittlung von Eigenkapitalzinssätzen für Betreiber von Elektrizitäts- und Gasversorgungsnetzen in der Anreizregulierung
Im Rahmen der Festsetzung von Eigenkapitalzinssätzen für die vierte Regulierungsperiode in der Anreizregulierung im Energiebereich in Deutschland wurden wir im Jahr 2022 beauftragt, Entscheidungen der Bundesnetzagentur (BNetzA) sowie ihr zugrundeliegende Gutachten einer kritischen Analyse zu unterziehen. Zuvor hatte die BNetzA im Beschluss vom 12.10.2021 für die vierte Regulierungsperiode in der Anreizregulierung (2023-2027 für Gasnetzbetreiber, 2024-2028 für Stromnetzbetreiber) einen Eigenkapitalzinssatz für Neuanlagen nach Steuern in Höhe von 4,13% festgelegt hat.

Unsere Analysen fokussierten auf die Eigenkapitalkomponenten Marktrisikoprämie sowie den Betafaktor. Ohne hier zu tief in die Details einzutauchen sei darauf hingewiesen, dass wir trotz der Existenz von mehreren anderen kritischen Drittgutachten und Drittmeinung zahlreiche neue Aspekte und Problembereiche in der Argumentation und Ableitung der BNetzA aufdecken konnten. Gewichtigster Punkt bei der Marktrisikoprämie war, dass die BNetzA eine fehlerhafte Definition der „quasi-risikofreien“ Basisanlage – über die die Marktrisikoprämie mittels historischer Datenreihen von Marktrenditen abgeleitet wurde – zugrunde legte. Der von der BNetzA verwendete Total Return Index von Anleihen erfüllt nämlich aufgrund seines zum Investitionszeitpunkt unklaren Endwerts gerade nicht die Anforderungen an die Quasi-Risikofreiheit. Bei der Ableitung des Betafaktors zeigten sich zudem Probleme mit der Regressionstechnik (sog. Error-in-Variables Probleme).

Wir wurden von einem institutionellen Investor beauftragt, ein Modell zur Berücksichtigung von Customer Concentration Risk bei der Ableitung der Kapitalkosten eines Unternehmens zu entwickeln. Ziel war es, den Einfluss einer hohen Abhängigkeit von wenigen Kunden nicht nur qualitativ zu benennen, sondern quantitativ in die risikoadjustierten Kapitalkosten zu überführen – als Grundlage für eine sachgerechte Unternehmensbewertung und Performancemessung.

Im ersten Schritt haben wir die Zahlungsstromkomponenten separat analysiert und deren spezifische Risikobeiträge isoliert. Dabei lag der Fokus auf der Identifikation des umsatzbezogenen Risikos, in dem sich eine Kundenkonzentration im Wesentlichen bemerkbar macht. Auf Basis eines hypothetisch voll diversifizierten Kundenportfolios haben wir dann durch gezielte Rückgängigmachung der Diversifikation – über die Anpassung der Korrelationskoeffizienten zwischen Kundenbeiträgen – den Effekt einer real existierenden Konzentration modelliert. Das Vorgehen folgte dabei weitgehend den Ideen der aus dem Investmentbereich bekannten Portfolio-Selection-Theorie.

Anschließend wurden die Zahlungsstromkomponenten unter Berücksichtigung ihrer angepassten Risikobeiträge wieder zu einem Gesamt-Cashflow zusammengeführt. Die dadurch implizit ebenfalls aggregierten Risikobeiträge flossen in die Ableitung der unternehmensspezifischen Kapitalkosten ein – was sich dann konkret in einem expliziten Risikoaufschlag für Kundenkonzentration bemerkbar machte. Im Ergebnis entstand ein praxisnahes, differenziertes Modell, das Customer Concentration Risk direkt in die Bewertung und Performancemessung integrierbar macht. Es leistet damit einen wichtigen Beitrag zur besseren Risikoerfassung in unternehmensbezogenen Cashflow-Modellen – insbesondere in Branchen mit stark asymmetrischer Kundenstruktur.